# 衡量病毒传播效果的K因子

> 以 BuzzFeed 的数据驱动实践为例，讲解病毒系数 K 的定义、计算与预测用法，并以 Airbnb 案例说明如何提升 K。

---

LLMS 索引： [llms.txt](/llms.txt)

---

## 病毒传播是艺术还是技术

病毒传播到底是一门艺术还是一门技术？有人认为它不可复制：一次成功的病毒传播需要倾注很多精力，还需天时地利人和的配合；市面上看到的成功案例，往往基于既有的庞大渠道、私交甚笃的常年关系、妙手偶得的产品创意，这些对别人来说很难复制。每天似乎都涌现出很多新的传播案例，但因为**幸存者偏差**，能看到的成功可能只占市场上每天尝试量的万分之一，更多的则是默默无闻的失败。

病毒传播能否被科学地制造和衡量？美国媒体公司 **BuzzFeed** 提供了一个观察样本。

## BuzzFeed：数据驱动的病毒内容工厂

BuzzFeed 被誉为美国增长最快的媒体公司之一。其月流量一度超过四亿，年营收 1.6 亿美金，估值 15 亿美金。但它的起步非常不起眼：2008 年，BuzzFeed 在纽约唐人街的办公室只有五名雇员，网站独立访问量刚超过七十万，却不怎么赚钱。当时恐怕没有人能预料到，这家蹒跚学步的新媒体公司此后每年增长幅度达到 200%，并超越 Facebook，成为《快公司》杂志评选的 2016 年全球最佳创新公司 50 强的第一名，与苹果、耐克、谷歌等历届榜单霸主平起平坐。

很长一段时间里，普通人以为 BuzzFeed 只是专攻上班族无聊消遣的新闻聚合网站，借助猫猫狗狗、明星八卦之类的趣味动图激发网民的转载热情。实际上，2014 年年底，这家网站的 CEO、也是《赫芬顿邮报》创始人的**乔纳·佩雷蒂**（Jonah Peretti）就在酝酿彻底改革公司策略：与其敝帚自珍地将所有流量锁定在自家平台，不如将内容传遍整个网络，借助形形色色的全球社交网络吸引眼球，全面增加内容的曝光频度。他们试图从零起家，通过数据分析进行决策，科学地量产带有病毒性质的文章。最终 BuzzFeed 获得每月五亿次的浏览量，接近四分之三的独立访客来自社交网络，其中美国国内贡献的访问人次高达八千万，甚至超过了《纽约时报》。

它的成功没有那么多偶然性：在百舸争流的社交媒体时代，它从诞生之初就没有多少对媒体成规的敬畏，真正的奥秘在于**数据驱动**——依靠强大的数据分析能力，向网民精准输出令人疯传的内容：

- **病毒式传播指数（Social Lift）**：一套判断内容是否有爆发潜力的内部专用指标，基本算法是帖子的社交分享阅读量除以初始阅读量，再整体加一。初始阅读量纳入评估的最低标准是十万起，达到这个量级就能获得基础分 1.5 分，新闻采编团队和意见领袖就会加大推广力度；如果点击量只有区区四万，病毒传播指数只有 1.1 或 1.2，那就是失败品，不予重用。任何文章都会先小范围发布，通过机器学习实时预测 Social Lift，有前途再扩大流量口径，选择 Social Lift 最高的内容加大推广力度。
- **内容生产团队**：在数据指导下秉承新闻娱乐不分家的特色，生产在传统新闻媒体看来十分无聊的热点。网站每天有四百条轻量级文章，如"二十大萌宠""十大美胸""最靠谱的爱情测试""你会和生活大爆炸里的哪个主角成为朋友"，阅读量却能轻松突破一百万。
- **POUND 数据可视化项目**：洞察用户如何在不同社交网络间分享内容。比如用户在 Facebook 分享了一组图片，有人感兴趣又转发到 Twitter，接着又有 Pinterest 用户从 Twitter 转存到 Pinterest——整个过程都会在 POUND 上实时生成纵横交错的用户关系网络脉络图，宛如高矮胖瘦各异的数据密林。它甚至可以根据内容的来源预测其在社交网络上的传播路径，相当于用算法连接每个传播节点，构建出病毒传播的模型。
- **Hive 数据系统**：POUND 只是更强大的数据系统 Hive 的一部分。Hive 旨在让生产的内容更具分享力，功能之一是针对不同平台指导生产不同规格的内容格式。以《仅需七步，使用慢炖锅烹制美味鸡》为例：在 Facebook 上是一段 46 秒的视频；放到 Instagram 上压缩到 15 秒，省略的烹饪步骤以文字形式留在评论区；在 Pinterest 上以两张图片加一个跳转到 Facebook 视频的链接呈现；放到 Snapchat 上，则需再拍一个竖版视频来适配移动终端。

在这套机制之下，BuzzFeed 成为高质量病毒内容传播扩散的枢纽和监控室，就连美国总统候选人也将其列为蔓延战火的必争之地。可见，病毒传播的效果是可以被有机地制造和衡量的——通过不断归纳总结特定的套路，能够以极大概率提升一次公众传播的病毒可能性。

## 病毒系数 K 的定义与计算

BuzzFeed 用自定义的 Social Lift 衡量病毒指数，此外还有一个更通用的、测算病毒传播能力的指标——**病毒系数**，通常用字母 K 表示。这个概念其实很好理解。

> 病毒系数 K = invites × conversion rate

- **invites（平均邀请人数，也叫感染数）**：一套病毒传播系统中，一个用户可以邀请到几个人。QQ 群里"今天是马化腾生日，转发三个人，QQ 就自动续费一年会员"之类的骗局里，"转发三个人"就是系统希望每人完成的平均邀请人数；再如微信裂变发展十五个好友免单、拼团凑满三十人砍价，发起者就需要去邀请其余二十九个人。
- **conversion rate（邀请人数转化为注册人数的比率，即转化率）**：邀请了十个人，未必十个都会来注册，最终成功的可能只有三四个——有人口头答应"好好好，我这就注册"却没了下文，也可能真的在忙、不感兴趣或流量紧缺，原因很多。

病毒系数 K 就是这两个关键指标相乘的乘积。举个例子：假设有两百个用户，为其设计一套系统，每人平均发出五个邀请，总共发出 200×5=1000 个邀请；如果平均转化率是 30%，这一千个收到邀请的人中最终有三百人转化注册成功。这个例子里 K=5×30%=1.5，意味着每个老用户平均为产品带来 1.5 个新用户。

## 用 K 预测最终能获得多少用户

手头有了一群种子用户之后，就可以用 K 在理论上推算最终能获得多少用户。

给种子用户一个变量符号 **C₀**（C 即 customer，用户/客户的缩写；角标为零，表示这是初始给定的用户量，不是靠后来一轮两轮传播带来的）。再给传播层数一个字母 N，取值为大于等于 1 的整数，代表产生了第几层传播。之所以需要 N，是因为传播往往不止一层：二十个用户可能带来十个用户，这十个新用户又可能再发展出五个人——从二十个种子用户开始完成两层传播，总共新带来十五人，总用户即为 20+15=35 人。传播层数越多，积累的用户总量越大。把上述方法抽象成公式：

> 获取用户总数 = C₀ + C₀×K + C₀×K² + …… + C₀×K^(n-1)

套一个直观的例子：假设手头现有一百个用户作为启动病毒传播的种子，则 C₀=100；再假设病毒系数始终为 1.5。强调"始终"，是因为实际传播中肯定有所衰减——越往后传播人群越边缘化、重复性越高，1.5 可能慢慢降到 1.3、1.2 乃至 0.9、0.8，最终趋近于零。这里为便于演示，给定 K=1.5。计算传播两轮（传播层数 N=3）时的总用户数，就是把三层用户相加：

- 第一层：原始种子用户，C₀=100；
- 第二层（N=1，种子用户带来的第一轮传播）：100×1.5=150 人；
- 第三层（N=2，上一轮新用户继续带来）：150×1.5=225 人。

于是最终的总用户量为 100+150+225=475 人，其中 150+225=375 人是新收获的。

## K 值大小决定增长形态

K=1.5 是非常理想的状况：一个人能带动好几个人加入，若能持续保持，基本上什么都不需要做，产品就能实现健康的爆发式增长。但实际增长能否如此理想，取决于 K 的值。对比模拟 K=0.9、1.0、1.1 时的三条变化曲线：

- **K<1（如 0.9）**：总用户量慢慢增长，但新增量最终趋近于零，走到瓶颈后不再提升；
- **K=1.0**：保持稳固的线性增长——一个人拉一个人，是线性的直接关系；
- **K>1（如 1.1）**：曲线越来越陡峭，越往后越可能爆发性增长——一个用户带来不止一个用户，用户总盘子越来越大，拉进来的新用户一层层越来越多，呈现飞升上扬的态势。

通俗地说：病毒传播如果有人持续接盘，就能一直延续下去；如果越往后接盘的人越少，迟早在某一层丧失传播力，总人数就此打住。

再看 K=0.5、1.0、1.5 三个差别较大的数值下，最终能获得的用户数（初始种子用户均为十人）：

| 病毒系数 K | 每层新增用户走势 | 传播 12 轮至第 13 层时的累计用户 |
| --- | --- | --- |
| 0.5 | 第二层 +5、第三层 +3、第四层 +1、第五层 +1，此后归零，传播停留在五层 | 共约 20 人 |
| 1.0 | 每层恒定 +10，可以源源不断地线性累加 | 130 人 |
| 1.5 | 第二层 +15、第三层 +23、第四层 +34，随后 +51、+76、+114……指数放大 | 3872 人（仅第 13 层单层新增就达 1297 人） |

相比另外两组同一层时分别只有 20 人和 130 人，差别非常惊人——这就是 K>1 时的**指数级放大效应**。因此应尽量优先做那些 K≥1 的事情；如果产品要爆发性增长，也应尽可能设计让人愿意发出更多邀请、别人更愿意接受邀请的产品 feature，以提升转化率、最终提升 K。

## 案例：Airbnb 如何优化病毒传播机制

Airbnb 优化病毒传播机制、提升传播系数 K 的过程是一个完整案例。2013 年年底，Airbnb 计划重新启动用户推广计划，也就是用户互相邀请好友的病毒传播机制。之前的机制设计很草率简陋——1.0 版本直接把"邀请好友"跟"赚 100 美元"划等号，产品增长部门经理斯塔夫也觉得这样的东西实在拿不出手。为全面改造，他们进行了封闭开发：

- **数据调研**：研究此前每一个推广者与被推广者的使用行为与留存情况，尝试预测什么样的人会转化成真正的用户；并与业界有成功案例的公司交流，探讨好的执行蕴含哪些要素。
- **渠道与页面优化**：用 A/B 测试对比 Email、Twitter、Facebook 和外链带来的流量特征；调整文案，把页面设计得更美观大方，取消原本直接拿联系人头像跟美金等同的照片，改换成文字版本——直觉上更美观、更有可信度，也促进了转化率提升。
- **移动端**：为了让推荐看起来更像给朋友优惠、而不是乱发小广告，他们发现在推荐内容中加入发送者的照片，更能提升好友间"送礼"的感觉，于是把用户头像也获取过来（头像在连接 Facebook 时拿到）。类似地，通过 Email 和安卓手机 API 调用通讯录联系人往往有更高的转化率，或许正因为这些人彼此联系更紧密。
- **文案策略**：A/B 测试还得出一个有趣的结论——**利他的文案比利己的文案更容易带来转化**：告诉用户"邀请好友可以获得 25 美元"，效果不如"给你的好友赠送 25 美元的旅行经费"，后者更容易打动人。

经过三个月的封闭开发和三万行代码的沉淀，Airbnb 全新的用户系统于 2014 年 1 月正式上线。上述种种改动带来了邀请效果的明显提升，在某些地区使订单量提升了高达 25%；同时，被邀请来的用户相对于普通用户有更高的留存率，并且也更愿意继续推荐其他人加入。